C＃中的深度学习：使用OpenCV进行硬币检测

在本文中，我们将介绍一个OpenCV应用程序，它将检测图像中的硬币。硬币检测是完整硬币识别之前的常见阶段。它包括检测和提取给定图像中的硬币。

• 下载源1.5 MB

本系列附带的代码将使用Keras.NET在C＃中实现，在本系列的最后一篇文章中，我们将简要地使用ML.NET。在所有选项中，为什么要使用Keras.NET？Keras.NET非常易于学习，因为它基本上是从用Python编写的经典TensorFlow到C＃的直接映射。与不采用其他方法之一创建示例相比，对于不熟悉机器学习的读者而言，此示例要容易得多。

硬币检测过程分为三个阶段：

1. 将图像转换为灰度。颜色会增加检测任务的复杂性，并且在许多情况下，颜色不会传达无法从图像亮度获得的任何相关信息。
2. 应用高斯模糊。由于硬币通常包含一个内圈，因此我们应用此变换来模糊图像。这样可以确保下一步不会忽略任何内部圆圈，因此我们的算法不会意外地认为它们是单独的硬币。
3. 应用霍夫变换。这是为了检测圆形。有关霍夫变换的更多信息，请参见此处。

首先，让我们在Visual Studio Community 2019中创建一个.NET Framework 4.7.2控制台应用程序。我们将命名解决方案和项目为“CoinRecognitionExample”，并使用CoinDetector类在其中创建一个Detection文件夹。

我们将使用OpenCVSharp，因此我们可以从Visual Studio中的Nuget软件包管理器中安装依赖项。为此，请转到工具> Nuget软件包管理器。

我们可以看到需要安装的与OpenCVSharp有关的依赖项。

实际的实现发生在CoinDetector类中：

public class CoinDetector
  {
      private Mat _image;
      private Mat _originalImage;
      private string _pathToFile;

      public CoinDetector(string pathToFile)
      {
          _pathToFile = pathToFile;
      }

      public void ImagePreprocessing()
      {
          _image = new Mat(_pathToFile, ImreadModes.Color);
          _originalImage = _image.Clone();
          TransformGrayScale();
          TransformGaussianBlur();
          HoughSegmentation();
      }

      private void TransformGrayScale()
      {
          _image = _originalImage.CvtColor(ColorConversionCodes.BGR2GRAY);
          new Window("Grayed Coins", WindowMode.Normal, _image);
          Cv2.WaitKey();
      }

      private void TransformGaussianBlur()
      {
          Cv2.GaussianBlur(_image, _image, new Size(0, 0), 1);
          new Window("Blurred Coins", WindowMode.Normal, _image);
          //Cv2.WaitKey();
      }

      private void HoughSegmentation()
      {
          Mat result = _image.Clone();

          var circleSegments = Cv2.HoughCircles(_image, HoughMethods.Gradient, 1.02, 40);
          for (int i = 0; i < circleSegments.Length; i++)
          {
              Cv2.Circle(result, (Point) circleSegments[i].Center, (int)circleSegments[i].Radius, new Scalar(255, 255, 0), 2);
          }

          using (new Window("Circles", result))
          {
              Cv2.WaitKey();
          }
      }
  }

在该类的构造函数中，我们接收硬币图像的路径。这个和ImagePreprocessing方法是CoinDetector类中仅有的两个公共实体。所有其他方法都是私有的，并且与上面列出的三个阶段有关。

在ImageProcessing方法中，我们保存图像的原始Mat（像素矩阵）对象，并为要进行的转换制作它的副本。Mat类和对Cv2类的所有调用都来自OpenCVSharp。每次转换后，我们都会调用new Window，以直观方式显示该转换。

Cv2.HoughCircles参数取决于您所面临的问题，即取决于正在处理的图像。代码中显示的参数就是适合我们示例的参数。

为了完成硬币检测示例，我们可以在控制台应用程序项目的main方法中添加以下行并执行。

string filePath = @"C:/Users/arnal/Documents/coins.jpg";
           var coinDetector = new CoinDetector(filePath);
           coinDetector.ImagePreprocessing();

这是我们将用于测试的图像。它包含Serbian Dinar硬币等：

最终结果将是我们之前看到的图像：

如我们所见，在与霍夫变换相对应的中央和最终窗口的白色圆圈内已检测到硬币。

本系列的第一篇文章到此结束。在接下来的文章中，我们将一个进行预处理的数据集被输入到机器学习模型。